Cursus
ARIMA-modellen in Python
GevorderdVaardigheidsniveau
Bijgewerkt 11-2023Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
PythonMachine Learning4 u15 videos57 Opdrachten4,850 XP24,499Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Tijdreeksgegevens
Begin met de basis van tijdreeksgegevens, zoals het idee van stationariteit – superbelangrijk als je met ARMA-modellen werkt. Je leert hoe je stationariteit zowel visueel als statistisch kunt testen, ARMA-gegevens kunt genereren en ARMA-modellen kunt aanpassen om een stevige basis te krijgen.Statsmodels-pakket
Naarmate je vordert, kun je het krachtige Statsmodels-pakket verkennen voor het aanpassen van ARMA-, ARIMA- en ARMAX-modellen. Je gaat zelf aan de slag met je modellen om toekomstige waarden, zoals aandelenkoersen, te voorspellen.Door deze concepten makkelijk te begrijpen en toe te passen, ontdek je hoe je voorspellingen kunt doen die een stap voor zijn, dynamische prognoses kunt maken en ARIMA-modellen direct op je data kunt toepassen.
ACF- en PACF-grafieken
Een van de hoogtepunten is dat je leert hoe je het beste model kiest met behulp van ACF- en PACF-grafieken om veelbelovende modelordes te vinden. Je leert over dingen als AIC en BIC voor het kiezen van modellen en diagnostiek, zodat je je modellen helemaal kunt perfectioneren..SARIMA-modellen
De cursus eindigt met seizoensgebonden ARIMA-modellen (SARIMA), die ideaal zijn voor het verwerken van gegevens met seizoenspatronen. Je leert tijdreeksgegevens op te splitsen in seizoensgebonden en niet-seizoensgebonden componenten en je ARIMA-vaardigheden toe te passen in een wereldwijde voorspellingsuitdaging.Dit eindproject brengt alles samen, zodat je een goed begrip krijgt van ARIMA-modellering.
Vereisten
Supervised Learning with scikit-learn1
ARMA Models
Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.
2
Fitting the Future
What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models. Then you'll use your models to predict the uncertain future of stock prices!
3
The Best of the Best Models
In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.
4
Seasonal ARIMA Models
In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.
ARIMA-modellen in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met ARIMA-modellen in Python!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.